Derechos de autor 2023 Investigación e Innovación en Ingenierías
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Un modelo basado en el Gradient Boosting Regressor para predecir tendencias de razón de residencia en relación a la edad de los habitantes de la calle en Colombia
Corresponding Author(s) : Hugo Armando Ordóñez Erazo
Investigación e Innovación en Ingenierías,
Vol. 11 Núm. 1 (2023): Enero-Junio
Resumen
Objetivo: generar un modelo de inteligencia de machine learning que sea capaz de predecir tendencias de las razones que conllevan a estar en estado de habitante de la calle en edades adolescentes y adultas. Metodología: se identifica la población de los habitantes de la calle: se encuentran niños, jóvenes, adultos, ancianos e incluso familias, que, sin importar su edad, sexo, raza, estado civil, condición social, mental u oficio, viven allí dependiendo de una razón que de alguna forma los obliga a estar de forma permanente o por algunos periodos de tiempo. Después se aplicaron diferentes modelos hasta llegar a obtener los resultados descritos a continuación. Resultados: los resultados obtenidos en la evaluación del modelo son prometedores, dando validez para que el modelo sirva de base a instituciones gubernamentales para la formulación, gestión y evaluación de las políticas, planes y programas de la administración municipal en relación a los habitantes de calle. Conclusiones: se puede concluir que el modelo propuesto puede servir de base como soporte a la toma de decisiones a instituciones gubernamentales para la formulación, gestión y evaluación de las políticas, planes y programas de la administración municipal y de las localidades, respecto a la atención integral, rehabilitación e inclusión social de los habitantes de la calle en Colombia.
Palabras clave
Descargar cita
Endnote/Zotero/Mendeley (RIS)BibTeX
- J. A. Jaramillo Serna, T. Fernández Cifuentes, and S. Bedoya Sepúlveda, “Habitantes de calle: entre el mito y la exclusión,” Poiésis, vol. 1, no. 32, p. 179, 2017, DOI: 10.21501/16920945.2311.
- P. C. Rosa, “Exclusiones del espacio público de los habitantes de la calle en la ciudad de Buenos Aires,” Territorios, no. 39, p. 157,
- , DOI: 10.12804/revistas.urosario.edu.co/territorios/a.5632.
- M. E. Correa and J. Zapata, “La Otra Ciudad: Los Habitantes De La Calle,” Prospect. Rev. Trab. Soc. E Interv. Soc., vol. 12, pp. 181–204, 2007.
- A. Arroyave, “El problema público de habitante de calle en Medellin 2012-2015. Un estudio desde el instrumento de regulación social,” 2016.
- C. Fern, “Una propuesta para la concepción y abordaje del habitante de la calle desde una perspectiva psicoanalítica,” pp. 1–14, 2013.
- A. Villegas, C. Zuluaga, R. Cardona, and C. Ruiz, “ANÁLISIS Y EJECUCIÓN DE LOS LINEAMIENTOS DE POLÍTICA PÚBLICA PARA HABITANTES DE LA CALLE EN MATERIA DE SALUD Y EDUCACIÓN EN CALI,” Proyección e Innovación Soc., vol. II, pp. 123–134, 2020.
- J. Dessain, “Machine learning models predicting returns: Why most popular performance metrics are misleading and proposal for an efficient metric,” Expert Syst. Appl., vol. 199, no. March, p. 116970, 2022, DOI: 10.1016/j.eswa.2022.116970.
- H. Ordóñez, C. Cobos, and V. Bucheli, “Machine learning model for predicting theft trends in Colombia,” RISTI - Rev. Iber. Sist. e Tecnol. Inf., vol. 2020, no. E29, pp. 494–506, 2020.
- S. G. Alegría, “de víctimas de secuestro en Colombia Neural network model for predicting kidnapping victims trends in Colombia,” vol. 8, pp. 38–49, 2020.
- O. A. Olabanjo, B. S. Aribisala, M. Mazzara, and A. S. Wusu, “An ensemble machine learning model for the prediction of danger zones: Towards a global counter-terrorism,” Soft Comput. Lett., vol. 3, no. May 2020, p. 100020, 2021, DOI: 10.1016/j.socl.2021.100020.
- J. A. Jaramillo Serna, T. Fernández Cifuentes, and S. Bedoya Sepúlveda, “Dynamic model for establishing policies of attention to the street dwellers,” Poiésis, vol. 1, no. 32, p. 179, 2017, doi: 10.21501/16920945.2311.
- C. Ministerio de Justicia, ESTUDIO DE MORTALIDAD ASOCIADA AL CONSUMO DE SUSTANCIAS, vol. 1. 2020.
- C. Moreno Baptista, G. Espinosa Herrera, and L. Zapata Piedrahita, “Consumo de bazuco y la ruta hacia la situación de calle: crónicas y escenarios de la vivencia familiar,” Rev. Investig. Andin., vol. 21, no. 39, pp. 307–324, 2019, doi: 10.33132/01248146.1571.
- G. Gesti, “Política Pública Social para Habitantes de la Calle 2021-2031,” Of. Promoción Soc. Colomb., vol. 1, 2021.
- J. A. Solano, D. J. Lancheros Cuesta, S. F. Umaña Ibáñez, and J. R. Coronado-Hernández, “Predictive models assessment based on CRISP-DM methodology for students performance in Colombia - Saber 11 Test,” Procedia Comput. Sci., vol. 198, no. 2020, pp. 512–517, 2021, doi: 10.1016/j.procs.2021.12.278.
- E. J. De la Hoz Domínguez, T. J. . Fontalvo Herrera, y A. A. Mendoza Mendoza, "Aprendizaje automático y PYMES: Oportunidades para el mejoramiento del proceso de toma de decisiones", Investigación e Innovación en Ingenierías, vol. 8, n.º 1, pp. 21–36, 2020. DOI: https://doi.org/10.17081/invinno.8.1.3506
- C. A. Ruíz Ramírez, D. M. Montoya Quintero, y J. A. Jimenez Builes, "Un Ambiente visual integrado de desarrollo para el aprendizaje de programación en robótica", Investigación e Innovación en Ingenierías, vol. 9, n.º 1, pp. 7–21, 2021. DOI: https://doi.org/10.17081/invinno.9.1.3957
- C. Tofallis, “Measuring Relative Accuracy: A Better Alternative to Mean Absolute Percentage Error,” SSRN Electron. J., no. January 2013, 2013, doi: 10.2139/ssrn.2350688.
- P. Rückert, B. Papenberg, and K. Tracht, “Classification of assembly operations using machine learning algorithms based on visual sensor data,” Procedia CIRP, vol. 97, pp. 110–116, 2020, DOI: 10.1016/j.procir.2020.05.211.
- O. de las naciones unidas contra las drogas y el Delito, Informe mundial sobre las drogas. 2018. DOI: 10.18356/a9c60617-es.
Referencias
J. A. Jaramillo Serna, T. Fernández Cifuentes, and S. Bedoya Sepúlveda, “Habitantes de calle: entre el mito y la exclusión,” Poiésis, vol. 1, no. 32, p. 179, 2017, DOI: 10.21501/16920945.2311.
P. C. Rosa, “Exclusiones del espacio público de los habitantes de la calle en la ciudad de Buenos Aires,” Territorios, no. 39, p. 157,
, DOI: 10.12804/revistas.urosario.edu.co/territorios/a.5632.
M. E. Correa and J. Zapata, “La Otra Ciudad: Los Habitantes De La Calle,” Prospect. Rev. Trab. Soc. E Interv. Soc., vol. 12, pp. 181–204, 2007.
A. Arroyave, “El problema público de habitante de calle en Medellin 2012-2015. Un estudio desde el instrumento de regulación social,” 2016.
C. Fern, “Una propuesta para la concepción y abordaje del habitante de la calle desde una perspectiva psicoanalítica,” pp. 1–14, 2013.
A. Villegas, C. Zuluaga, R. Cardona, and C. Ruiz, “ANÁLISIS Y EJECUCIÓN DE LOS LINEAMIENTOS DE POLÍTICA PÚBLICA PARA HABITANTES DE LA CALLE EN MATERIA DE SALUD Y EDUCACIÓN EN CALI,” Proyección e Innovación Soc., vol. II, pp. 123–134, 2020.
J. Dessain, “Machine learning models predicting returns: Why most popular performance metrics are misleading and proposal for an efficient metric,” Expert Syst. Appl., vol. 199, no. March, p. 116970, 2022, DOI: 10.1016/j.eswa.2022.116970.
H. Ordóñez, C. Cobos, and V. Bucheli, “Machine learning model for predicting theft trends in Colombia,” RISTI - Rev. Iber. Sist. e Tecnol. Inf., vol. 2020, no. E29, pp. 494–506, 2020.
S. G. Alegría, “de víctimas de secuestro en Colombia Neural network model for predicting kidnapping victims trends in Colombia,” vol. 8, pp. 38–49, 2020.
O. A. Olabanjo, B. S. Aribisala, M. Mazzara, and A. S. Wusu, “An ensemble machine learning model for the prediction of danger zones: Towards a global counter-terrorism,” Soft Comput. Lett., vol. 3, no. May 2020, p. 100020, 2021, DOI: 10.1016/j.socl.2021.100020.
J. A. Jaramillo Serna, T. Fernández Cifuentes, and S. Bedoya Sepúlveda, “Dynamic model for establishing policies of attention to the street dwellers,” Poiésis, vol. 1, no. 32, p. 179, 2017, doi: 10.21501/16920945.2311.
C. Ministerio de Justicia, ESTUDIO DE MORTALIDAD ASOCIADA AL CONSUMO DE SUSTANCIAS, vol. 1. 2020.
C. Moreno Baptista, G. Espinosa Herrera, and L. Zapata Piedrahita, “Consumo de bazuco y la ruta hacia la situación de calle: crónicas y escenarios de la vivencia familiar,” Rev. Investig. Andin., vol. 21, no. 39, pp. 307–324, 2019, doi: 10.33132/01248146.1571.
G. Gesti, “Política Pública Social para Habitantes de la Calle 2021-2031,” Of. Promoción Soc. Colomb., vol. 1, 2021.
J. A. Solano, D. J. Lancheros Cuesta, S. F. Umaña Ibáñez, and J. R. Coronado-Hernández, “Predictive models assessment based on CRISP-DM methodology for students performance in Colombia - Saber 11 Test,” Procedia Comput. Sci., vol. 198, no. 2020, pp. 512–517, 2021, doi: 10.1016/j.procs.2021.12.278.
E. J. De la Hoz Domínguez, T. J. . Fontalvo Herrera, y A. A. Mendoza Mendoza, "Aprendizaje automático y PYMES: Oportunidades para el mejoramiento del proceso de toma de decisiones", Investigación e Innovación en Ingenierías, vol. 8, n.º 1, pp. 21–36, 2020. DOI: https://doi.org/10.17081/invinno.8.1.3506
C. A. Ruíz Ramírez, D. M. Montoya Quintero, y J. A. Jimenez Builes, "Un Ambiente visual integrado de desarrollo para el aprendizaje de programación en robótica", Investigación e Innovación en Ingenierías, vol. 9, n.º 1, pp. 7–21, 2021. DOI: https://doi.org/10.17081/invinno.9.1.3957
C. Tofallis, “Measuring Relative Accuracy: A Better Alternative to Mean Absolute Percentage Error,” SSRN Electron. J., no. January 2013, 2013, doi: 10.2139/ssrn.2350688.
P. Rückert, B. Papenberg, and K. Tracht, “Classification of assembly operations using machine learning algorithms based on visual sensor data,” Procedia CIRP, vol. 97, pp. 110–116, 2020, DOI: 10.1016/j.procir.2020.05.211.
O. de las naciones unidas contra las drogas y el Delito, Informe mundial sobre las drogas. 2018. DOI: 10.18356/a9c60617-es.